論文の概要: Plugging Attention into Power Grids: Towards Transparent Forecasting
- arxiv url: http://arxiv.org/abs/2507.03690v2
- Date: Thu, 04 Sep 2025 12:05:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-05 14:03:58.778204
- Title: Plugging Attention into Power Grids: Towards Transparent Forecasting
- Title（参考訳）: 電力グリッドへの注意:透明な予測に向けて
- Authors: Eloi Campagne, Itai Zehavi, Yvenn Amara-Ouali, Yannig Goude, Argyris Kalogeratos,
- Abstract要約: 本研究は,フランスとイギリスにおける2つの実世界の電力消費データに対して,グラフニューラルネットワーク(GNN)の広範なセットを評価した。
以上の結果から,GCN,SAGE,APPNPといったより単純なモデルの方が,低データレシエーションにおいてより複雑な選択肢よりも優れていることが示唆された。
- 参考スコア（独自算出の注目度）: 1.0797981721308225
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reliable prediction of electricity demand plays a key role in safeguarding grid stability and guiding generation decisions, a need that grows with the decentralization and complexity of modern systems. While classical approaches such as Generalized Additive Models (GAMs) remain widely used, they often fail to capture the spatial dependencies inherent in energy networks. Graph Neural Networks (GNNs) offer a principled framework to incorporate this structure by directly leveraging graph topologies. In this work, we evaluate a broad set of GNN architectures -- including GCN, GraphSAGE, ChebConv, TAG, APPNP, TransformerConv, and Graph Attention Networks (GAT and GATv2) -- on two real-world electricity consumption datasets from France and the UK. Our results show that simpler models such as GCN, SAGE, or APPNP often outperform more complex alternatives in low-data regimes, while GAT ranks among the strongest architectures in our benchmarks, combining high accuracy with valuable interpretability. We perform a temporal analysis of attention weights, revealing evolving patterns of regional interaction linked to seasonal and meteorological variability. These results highlight that, although attention is not universally superior, it provides valuable explanatory power when spatial dependencies are prominent. Additionally, we demonstrate that ensemble-based expert aggregation strategies, particularly bottom-up combinations, significantly improve robustness and yield state-of-the-art performance across both datasets. These findings highlight the dual promise of GNNs for accurate and interpretable forecasting, and suggest that architectural simplicity coupled with ensemble methods can provide a practical path forward for transparent energy analytics.
- Abstract（参考訳）: 電力需要の信頼性予測は、グリッド安定性の保護と世代決定の導出において重要な役割を担っている。
GAM(Generalized Additive Models)のような古典的なアプローチは依然として広く使われているが、エネルギーネットワークに固有の空間的依存を捉えるのに失敗することが多い。
グラフニューラルネットワーク(GNN)は、グラフトポロジを直接活用することで、この構造を統合するための原則的なフレームワークを提供する。
本稿では,GCN,GraphSAGE,ChebConv,TAG,APPNP,TransformerConv,Graph Attention Networks(GAT,GATv2)を含むGNNアーキテクチャを,フランスとイギリスの2つの実世界の電力消費データセットに基づいて評価する。
以上の結果から,GCNやSAGE,APPNPといった単純なモデルの方が,低データ方式ではより複雑な代替品よりも優れていることが示唆された。
我々は,季節変動と気象変動に関連付けられた地域間相互作用の進化パターンを明らかにするため,注意重みの時間的分析を行った。
これらの結果は、注意が普遍的に優れているわけではないが、空間的依存が顕著である場合には、価値ある説明力を与えることを示している。
さらに、アンサンブルベースのエキスパートアグリゲーション戦略、特にボトムアップの組み合わせは、ロバスト性を大幅に改善し、両方のデータセットで最先端のパフォーマンスを得ることを示した。
これらの知見は,GNNの正確かつ解釈可能な予測における二重性を強調し,アンサンブル法と組み合わせたアーキテクチャの単純さが,透過的なエネルギー分析の実践的な道筋となることを示唆している。
関連論文リスト
- Relational Graph Transformer [44.56132732108148]
Graph Transformer (Relel) はリレーショナルテーブル用に設計された最初のグラフトランスである。
Relelは、各ノードを5つのコンポーネントに分解する、新しい多要素トークン化戦略を採用している。
我々のアーキテクチャは、サンプル化されたサブグラフに対する局所的な注意と、学習可能なセントロイドに対するグローバルな注意を組み合わせる。
論文 参考訳（メタデータ） (2025-05-16T07:51:58Z) - PowerGNN: A Topology-Aware Graph Neural Network for Electricity Grids [0.0]
本稿では,高再生能統合下での電力系統状態予測のためのトポロジ対応グラフニューラルネットワーク(GNN)フレームワークを提案する。
我々は,電力ネットワークのグラフベース表現を構築し,伝送線路をノードやエッジとしてモデル化し,グラフSAGE畳み込みとGRU(Gated Recurrent Units)を統合した特殊なGNNアーキテクチャを導入する。
提案したGNNは, 完全連結ニューラルネットワーク, 線形回帰モデル, 圧延平均モデルなどのベースラインアプローチより優れ, 予測精度が大幅に向上したことを示す。
論文 参考訳（メタデータ） (2025-03-26T01:22:31Z) - CAGN-GAT Fusion: A Hybrid Contrastive Attentive Graph Neural Network for Network Intrusion Detection [0.7067443325368975]
コントラスト型注意グラフネットワークとグラフ注意ネットワーク(CAGN-GAT Fusion)の融合を提案する。
グラフニューラルネットワーク(GNN)と従来のMLモデルの両方を含む15のモデルと比較した。
結果から,CAGN-GAT Fusionは,データセット毎に最高の性能を達成できないにも関わらず,安定かつ競争力のある精度,リコール,F1スコアを示すことがわかった。
論文 参考訳（メタデータ） (2025-03-02T17:01:00Z) - PCE-GAN: A Generative Adversarial Network for Point Cloud Attribute Quality Enhancement based on Optimal Transport [56.56430888985025]
点雲品質向上のための生成逆ネットワーク(PCE-GAN)を提案する。
ジェネレータは、局所特徴抽出(LFE)ユニット、大域空間相関(GSC)ユニット、特徴圧縮ユニットからなる。
判別器は、強化点雲と原点雲の確率分布のずれを計算し、ジェネレータを誘導して高品質な再構成を実現する。
論文 参考訳（メタデータ） (2025-02-26T07:34:33Z) - Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。
本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。
ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
論文 参考訳（メタデータ） (2024-12-20T04:05:09Z) - TANGNN: a Concise, Scalable and Effective Graph Neural Networks with Top-m Attention Mechanism for Graph Representation Learning [7.879217146851148]
本稿では,Top-mアテンション機構アグリゲーションコンポーネントと近傍アグリゲーションコンポーネントを統合した,革新的なグラフニューラルネットワーク(GNN)アーキテクチャを提案する。
提案手法の有効性を評価するため,提案手法をGNN分野において未探索の新たな課題である引用感情予測に適用した。
論文 参考訳（メタデータ） (2024-11-23T05:31:25Z) - SafePowerGraph: Safety-aware Evaluation of Graph Neural Networks for Transmission Power Grids [55.35059657148395]
我々は,電力システム(PS)におけるグラフニューラルネットワーク(GNN)のための,最初のシミュレータに依存しない,安全指向のフレームワークであるSafePowerGraphを紹介する。
SafePowerGraphは複数のPFシミュレータとOPFシミュレータを統合し、エネルギー価格の変動や電力線停止など、さまざまなシナリオでGNNのパフォーマンスを評価する。
論文 参考訳（メタデータ） (2024-07-17T09:01:38Z) - A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。
我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。
GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
論文 参考訳（メタデータ） (2024-06-19T22:30:08Z) - Hybrid Focal and Full-Range Attention Based Graph Transformers [0.0]
本稿では,Focal と Full-Range Graph Transformer (FFGT) という,純粋に注目に基づくアーキテクチャを提案する。
FFGTは、従来のフルレンジアテンションとエゴネットへのKホップアテンションを組み合わせることで、グローバル情報とローカル情報の両方を集約する。
提案手法は,各種オープンデータセット上での既存のグラフ変換器の性能を向上させる。
論文 参考訳（メタデータ） (2023-11-08T12:53:07Z) - Evaluating Distribution System Reliability with Hyperstructures Graph
Convolutional Nets [74.51865676466056]
本稿では,グラフ畳み込みネットワークとハイパー構造表現学習フレームワークを,精度,信頼性,計算効率のよい分散グリッド計画に活用する方法を示す。
数値実験の結果,提案手法は計算効率を大幅に向上させることがわかった。
論文 参考訳（メタデータ） (2022-11-14T01:29:09Z) - Multi-Level Graph Convolutional Network with Automatic Graph Learning
for Hyperspectral Image Classification [63.56018768401328]
HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。
空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。
MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
論文 参考訳（メタデータ） (2020-09-19T09:26:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。